Qui és Daphne Koller
Daphne Koller és una científica de la computació i emprenedora que treballa a la intersecció entre intel·ligència artificial, biologia i educació. És fundadora i directora executiva d’insitro, cofundadora de Coursera i d’Engageli. La seva especialitat acadèmica és construir models que raonin a partir d’informació incompleta i aprenguin relacions entre variables. [1]
Va néixer a Jerusalem el 27 d’agost de 1968. [21]
Formació i primers anys de recerca
Va obtenir el grau a la Universitat Hebrea de Jerusalem el 1985 i el màster el 1986. Va completar el doctorat en informàtica a Stanford el 1993 i va fer recerca postdoctoral a la Universitat de Califòrnia, Berkeley, entre 1993 i 1995. La Fundació MacArthur va reconèixer posteriorment la seva feina amb una beca el 2004. [6]
La seva tesi, From Knowledge to Belief, va ser dirigida per Joseph Halpern. En aquella primera etapa va investigar com representar coneixement incert i prendre decisions amb eines de probabilitat, lògica i teoria de jocs. El problema no consistia únicament a emmagatzemar fets: també calia raonar quan una descripció del món no permetia establir certeses. [7]
Stanford, recerca i formació d’estudiants
Es va incorporar al departament d’informàtica de Stanford el setembre de 1995. Va ocupar la càtedra Rajeev Motwani i va mantenir una vinculació amb patologia, que reflectia l’apropament de la seva recerca a la medicina. Aquesta etapa va reunir treball sobre representació del coneixement, aprenentatge i aplicacions a dades complexes. [2]
El 2001 va impulsar el programa de recerca d’estiu per a estudiants de grau d’informàtica de Stanford, amb mentoria de professors. Va rebre la medalla Cox el 2003 per fomentar aquesta recerca. La iniciativa oferia una entrada a projectes científics abans del doctorat i complementava la seva activitat docent a l’aula. [15]
Xarxes bayesianes i aprenentatge estructurat
Amb Avi Pfeffer va presentar a UAI 1997 les xarxes bayesianes orientades a objectes. El mètode descriu sistemes complexos mitjançant objectes relacionats, classes reutilitzables i jerarquies. Així evita reconstruir des de zero un model per a cada component semblant i aprofita l’estructura per organitzar la inferència probabilística. [8]
A UAI 2002, Ben Taskar, Pieter Abbeel i Koller van desenvolupar models discriminatius per a dades relacionals. La proposta permetia classificar conjuntament entitats connectades, com pàgines enllaçades, en lloc d’ignorar-ne les dependències. Les xarxes de Markov aportaven una representació sense la restricció d’absència de cicles pròpia de les xarxes bayesianes dirigides. [9]
El treball Max-Margin Markov Networks, amb Taskar i Carlos Guestrin, va combinar el 2003 aprenentatge per marge i relacions entre etiquetes. Va estudiar reconeixement d’escriptura i classificació d’hipertext. L’aportació era metodològica: aprofitar l’estructura de la sortida quan decidir cada etiqueta aïlladament desaprofita informació sobre el conjunt. [10]
Biologia computacional i medicina
El 2003 va participar amb Eran Segal, Nir Friedman i altres investigadors en Module Networks. El mètode analitzava dades d’expressió gènica per agrupar gens i proposar quins reguladors actuaven sota determinades condicions. Els resultats es formulaven com a hipòtesis comprovables, connectant aprenentatge estadístic i preguntes experimentals sobre l’organització cel·lular. [11]
Un treball del 2004 amb Segal, Friedman i Aviv Regev va estendre aquest enfocament al càncer. Va integrar 1.975 microarrays de 22 tipus de tumor per estudiar conjunts de gens activats o desactivats. Permetia comparar patrons entre malalties i teixits, sense reduir cada tumor a una llista independent de gens. [12]
També va ser autora sènior de PhysiScore, recerca publicada el 2010 juntament amb Anna Penn i liderada per Suchi Saria. L’estudi de 138 nadons prematurs va combinar senyals de les primeres hores de vida per estimar complicacions. Stanford va assenyalar expressament que calia validar-lo en poblacions més grans i avaluar-ne l’efecte sobre decisions clíniques abans de l’ús comercial. [13]
El llibre Probabilistic Graphical Models
Amb Nir Friedman va publicar el 2009 Probabilistic Graphical Models: Principles and Techniques. El llibre articula representació, inferència i aprenentatge en xarxes bayesianes, xarxes de Markov i models dinàmics o relacionals. Exposa un marc per construir models interpretables i calcular conseqüències de la informació disponible, amb diferents recorreguts de lectura segons la preparació de l’estudiant. [14]
Koller va traslladar part d’aquest ensenyament a l’especialització de Stanford Online a Coursera. El curs inicial diferencia xarxes dirigides i no dirigides i aborda diagrames d’influència i decisions. Inclou exercicis de programació: l’objectiu docent consisteix a construir i utilitzar representacions, a més de conèixer-ne les definicions. [17]
Coursera i Engageli
Andrew Ng i Koller van llançar Coursera l’abril de 2012. La iniciativa va portar cursos universitaris a una audiència internacional a través d’internet. L’origen es troba en l’experiència docent de tots dos i en la possibilitat de distribuir materials i activitats a una escala diferent de la classe presencial tradicional. [16]
El 2020 va cofundar Engageli amb Dan Avida, Serge Plotkin i Jamie Nacht Farrell. La plataforma es va presentar per donar suport a classes digitals participatives durant l’expansió de l’ensenyament remot. La proposta combinava treball en grups i eines d’interacció per a docents i estudiants, una orientació diferent del consum individual de vídeos enregistrats. [18]
De Calico a insitro
Entre 2016 i 2018 va ser la primera chief computing officer de Calico, empresa d’Alphabet dedicada a recerca en salut. Va treballar en l’aplicació d’aprenentatge automàtic a dades biològiques. Aquell pas va apropar la seva experiència com a investigadora informàtica a organitzacions que necessiten connectar càlcul, experimentació i desenvolupament biomèdic. [3]
En explicar l’origen d’insitro, Koller va destacar que les primeres aplicacions d’IA a biologia havien trobat dades escasses o inadequades. La millora dels mesuraments i les eines experimentals va permetre plantejar una altra estratègia: generar i analitzar dades útils per investigar causes de malaltia. També va subratllar la dificultat d’aconseguir que especialistes de camps diferents treballin amb un llenguatge compartit. [4]
El 2019 insitro va anunciar una col·laboració amb Gilead per investigar la malaltia hepàtica aleshores anomenada NASH. L’acord preveia identificar possibles dianes mitjançant models i dades, amb la possibilitat que Gilead en desenvolupés fins a cinc. L’empresa farmacèutica assumiria la química i el desenvolupament corresponents; identificar una diana no equivalia a disposar d’un tractament. [19]
L’octubre de 2026 insitro va anunciar un acord amb AstraZeneca sobre MASH i cardiomiopaties. Insitro investigaria dianes i candidats; AstraZeneca assumiria desenvolupament clínic, regulació i comercialització. El comunicat situava els primers programes de fetge a la clínica a començaments de 2027: era una previsió de desenvolupament, no una demostració d’eficàcia en pacients. [20]
Reconeixements i influència
L’ACM Prize in Computing corresponent a 2007 va reconèixer la seva combinació de lògica relacional i probabilitat, aplicable a robòtica, economia i biologia. La importància rau a proporcionar eines generals per a problemes diferents, mantenint una representació explícita de les relacions i de la incertesa. [21]
El premi ACM–AAAI Allen Newell de 2019 va destacar les seves contribucions a models probabilístics, l’aplicació a biologia i salut i l’obertura d’oportunitats educatives. Aquesta combinació explica l’amplitud de la seva trajectòria: els mètodes matemàtics, la formació i les organitzacions que va construir no constitueixen etapes completament aïllades. [22]
El 2023 va ser elegida membre de la National Academy of Sciences dels Estats Units. El reconeixement va afegir una dimensió institucional a una carrera desenvolupada entre informàtica i ciències de la vida. [23]
Percepció fiable per a robots que operen al costat de persones
Koller va coescriure amb Anna Petrovskaia, Sebastian Thrun i Oussama Khatib un treball sobre estimació fiable de la posició de robots. El mètode GRAB incorpora límits d’error i s’estudia en navegació interior i manipulació tàctil, on una percepció equivocada pot produir decisions insegures. [5]
Aquesta és una connexió concreta amb la prevenció: abans de decidir com moure’s, una màquina necessita conèixer la seva posició i quant es pot equivocar en estimar-la. Un robot aparentment precís no ofereix la mateixa informació que un sistema que caracteritza els límits de l’estimació.
De la prova de percepció a la seguretat del lloc
El treball acredita recerca en fiabilitat de la percepció; no demostra una implantació preventiva en fàbriques ni permet declarar segur qualsevol robot que utilitzi inferència probabilística. La contribució de Koller es refereix a aquest problema matemàtic i experimental específic.
Per valorar una aplicació laboral caldria comprovar els sensors, les oclusions i les condicions que invaliden el model, a més de les proteccions del moviment i la interacció humana. Una posició estimada correctament és una peça de la seguretat del sistema, no la seva avaluació completa.
